No,SubNo,分類,スキルカテゴリ,サブカテゴリ,スキルレベル,チェック項目,VC,DE,必須スキル
1,1,基礎技術,数学的理解,線形代数基礎,★,ベクトルの内積に関する計算方法を理解し、線形式をベクトルの内積で表現できる,,,◯
2,2,基礎技術,数学的理解,線形代数基礎,★,行列同士、および行列とベクトルの計算方法を正しく理解し、複数の線形式を行列の積で表現できる,,,◯
3,3,基礎技術,数学的理解,線形代数基礎,★,逆行列の定義、および逆行列を求めることにより行列表記された連立方程式が解けることを理解している,,,
4,4,基礎技術,数学的理解,線形代数基礎,★,固有ベクトルおよび固有値の意味を理解している,,,
5,5,基礎技術,数学的理解,線形代数基礎,★,テンソルの基本概念（次元数、軸、形状）と深層学習で用いる代表的な操作（転置、リシェイプ、インデックシング、ブロードキャストなど）を理解している,,,
6,6,基礎技術,数学的理解,微分・積分基礎,★,微分により計算する導関数が傾きを求めるための式であることを理解し、多変数関数においての微分（偏微分、勾配など）も必要に応じて求めることができる,,,◯
7,7,基礎技術,数学的理解,微分・積分基礎,★,積分と面積の関係を理解し、確率密度関数を定積分することで確率が得られることを説明できる,,,◯
8,8,基礎技術,数学的理解,微分・積分基礎,★,関数の停留点が必ずしも極値にならないことを理解し、局所最適解と大域最適解の違いを説明できる,,,
9,9,基礎技術,数学的理解,集合論基礎,★,和集合、積集合、差集合、対称差集合、補集合についてベン図を用いて説明できる,,,◯
10,10,基礎技術,数学的理解,集合論基礎,★,論理演算と集合演算の対応を理解している（ANDが積集合に対応するなど）,,,
11,1,基礎技術,科学的解析の基礎,統計数理基礎,★,"順列や組合せの式 nPr, nCr を理解し、適切に使い分けることができる",,,◯
12,2,基礎技術,科学的解析の基礎,統計数理基礎,★,確率に関する基本的な概念の意味を説明できる（確率、条件付き確率、期待値、独立など）,,,◯
13,3,基礎技術,科学的解析の基礎,統計数理基礎,★,平均、中央値、最頻値の算出方法の違いを説明できる,,,◯
14,4,基礎技術,科学的解析の基礎,統計数理基礎,★,分散、標準偏差、四分位、パーセンタイルを理解し、目的に応じて適切に使い分けることができる,,,◯
15,5,基礎技術,科学的解析の基礎,統計数理基礎,★,母（集団）平均と標本平均、不偏分散と標本分散がそれぞれ異なることを説明できる,,,◯
16,6,基礎技術,科学的解析の基礎,統計数理基礎,★,標準正規分布の平均と分散の値を知っている,,,◯
17,7,基礎技術,科学的解析の基礎,統計数理基礎,★,相関関係と因果関係の違いを説明できる,,,◯
18,8,基礎技術,科学的解析の基礎,統計数理基礎,★,名義尺度、順序尺度、間隔尺度、比例尺度の違いを説明できる,,,◯
19,9,基礎技術,科学的解析の基礎,統計数理基礎,★,ピアソンの相関係数の分母と分子を説明できる,,,◯
20,10,基礎技術,科学的解析の基礎,統計数理基礎,★,５つ以上の代表的な確率分布を説明できる,,,◯
21,11,基礎技術,科学的解析の基礎,統計数理基礎,★,二項分布は試行回数が増えていくとどのような分布に近似されるかを知っている,,,◯
22,12,基礎技術,科学的解析の基礎,統計数理基礎,★,変数が量的、質的どちらの場合でも関係の強さを算出できる,,,
23,13,基礎技術,科学的解析の基礎,統計数理基礎,★,指数関数とlog関数の関係を理解し、片対数グラフ、両対数グラフ、対数化されていないグラフを適切に使いわけることができる,,,◯
24,14,基礎技術,科学的解析の基礎,統計数理基礎,★,ベイズの定理を説明できる,,,◯
25,15,基礎技術,科学的解析の基礎,統計数理基礎,★★,分散共分散行列を作成し、各変数の散布度と相関構造を定量的に把握したうえで、前処理・モデリング方針へ反映できる,,,
26,16,基礎技術,科学的解析の基礎,統計数理基礎,★★,ベイズ推論が学習や予測、モデル評価などをすべて確率分布上の計算問題として扱っていることにより、これらの要素を確率分布として扱わない手法と比べ、どのようなメリットを生み出しているか理解している,,,
27,17,基礎技術,科学的解析の基礎,統計数理基礎,★★,自己情報量やエントロピーの意味について説明できる,,,
28,18,基礎技術,科学的解析の基礎,統計数理基礎,★★,カルバック・ライブラー情報量（KL divergence）、フィッシャー情報量の意味や利用方法について説明できる,,,
29,19,基礎技術,科学的解析の基礎,統計数理基礎,★★,尤度と最尤推定についての説明ができる（尤度関数、ネイマンの分解定理、十分統計量）,,,
30,20,基礎技術,科学的解析の基礎,仮説検証,★,業務課題から検証可能な仮説を抽出できる,,,
31,21,基礎技術,科学的解析の基礎,仮説検証,★★,仮説に対する適切な検証方法(分析手法・データ)を選択・実行できる,,,◯
32,22,基礎技術,科学的解析の基礎,仮説検証,★★★,複数仮説の優先順位付け・段階的検証を設計できる,,,
33,23,基礎技術,科学的解析の基礎,洞察,★,分析、図表から直接的な意味合いを抽出できる（バラツキ、有意性、分布傾向、特異性、関連性、変曲点、関連度の高低など）,＊,,◯
34,24,基礎技術,科学的解析の基礎,洞察,★,当初立てた仮説を否定する結果であっても、それを『ノイズ』として排除せず『新たな知見』として客観的に受容し、正確に報告できる,＊,,
35,25,基礎技術,科学的解析の基礎,洞察,★★,各種の解析手法（主成分分析、クラスター分析、決定木分析など）の結果を解釈し、意味合いを適切に表現・説明できる,＊,,◯
36,26,基礎技術,科学的解析の基礎,洞察,★★,複数のデータ分析結果を統合し、矛盾点や不確実性を明示した上で、ビジネス上の示唆を導き出せる,,,
37,27,基礎技術,科学的解析の基礎,性質・関係性,★,適切なデータ区間設定でヒストグラムを作成し、データのバラつき方を把握できる,＊,,◯
38,28,基礎技術,科学的解析の基礎,性質・関係性,★,適切な軸設定でクロス集計表を作成し、属性間のデータの偏りを把握できる,＊,,◯
39,29,基礎技術,科学的解析の基礎,性質・関係性,★,量的変数の散布図を描き、2変数の関係性を把握できる,,,◯
40,30,基礎技術,科学的解析の基礎,性質・関係性,★,条件Xと事象Yの関係性を信頼度、支持度、リフト値を用いて評価できる,,,
41,31,基礎技術,科学的解析の基礎,性質・関係性,★★,多重（質問間）クロス集計表などを駆使して、データから適切なインサイトを得ることができる（データの偏りの発見や独立性の検定など）,＊,,
42,32,基礎技術,科学的解析の基礎,性質・関係性,★★,主成分分析と因子分析の違いや使い分けを説明し、実施できる,,,
43,33,基礎技術,科学的解析の基礎,性質・関係性,★★,正準相関分析、コレスポンデンス分析、数量化III類を説明でき、データ特性に応じて適切に選択・実施できる,,,
44,34,基礎技術,科学的解析の基礎,性質・関係性,★★,因子分析における、因子負荷量の意味を理解し、因子軸の回転（プロマックス回転、バリマックス回転など）について実施できる,,,
45,35,基礎技術,科学的解析の基礎,性質・関係性,★★,コンジョイント分析を自ら設計し、効用値と寄与率からモデルを評価できる,,,
46,36,基礎技術,科学的解析の基礎,性質・関係性,★★,適切な類似度を設定した上で、多次元尺度構成法を用いてポジショニングマップを描くことができる,＊,,
47,37,基礎技術,科学的解析の基礎,性質・関係性,★★,空間的自己相関の手法を用いて空間的な類似性を数値化できる,,,
48,38,基礎技術,科学的解析の基礎,性質・関係性,★★,行列分解（非負値行列因子分解[Nonｰnegative Matrix Factorization:NMF]、特異値分解）を、目的に応じてパラメータを最適化して分析できる,,,
49,39,基礎技術,科学的解析の基礎,性質・関係性,★★★,テンソル分解（非負値テンソル因子分解[Non-negative Tensor Factorization:NTF]、CP分解[Canonical Polyadic Decomposition:CPD]、Tucker分解など）を、対象データの特性や目的に応じて適用する事で、より複合的な要因の性質や関係性を分析できる,,,
50,40,基礎技術,科学的解析の基礎,推定・検定,★,点推定と区間推定（信頼区間など）の違いを理解し、推定における不確実性を評価する上での区間推定の重要性を説明できる,,,
51,41,基礎技術,科学的解析の基礎,推定・検定,★,統計的仮説検定において帰無仮説と対立仮説の違いを説明できる,,,
52,42,基礎技術,科学的解析の基礎,推定・検定,★,検定における判断の誤り（第1種の過誤、第2種の過誤）と、p値、有意水準の意味、およびこれら相互の関係性を説明できる,,,
53,43,基礎技術,科学的解析の基礎,推定・検定,★,片側検定と両側検定の違いを理解し、適切に使い分けられる,,,
54,44,基礎技術,科学的解析の基礎,推定・検定,★,"検定する対象となるデータの対応の有無を考慮した上で適切な検定手法（t検定, z検定など）を選択し、適用できる",,,
55,45,基礎技術,科学的解析の基礎,推定・検定,★★,検定力やサンプルサイズ、データの分布（正規性など）に応じて、適切な検定手法（パラメトリック検定、ノンパラメトリック検定[クラスカル・ウォリス検定、カイ二乗検定]など）を選択し、結果を評価できる,,,
56,46,基礎技術,科学的解析の基礎,推定・検定,★★,p値だけでは仮説やモデルの正しさを評価できないことを理解し、p値以外のアプローチ（信頼区間、信用区間、ベイズファクターなど）と併せて透明性の高いデータ分析や結果の報告ができる,＊,,◯
57,47,基礎技術,科学的解析の基礎,因果推論,★,ある特定の処置に対して、その他の変数や外部の影響を除いた効果を測定するためには、処置群（実験群）と対照群に分けて比較・分析する必要があることを知っている,,,◯
58,48,基礎技術,科学的解析の基礎,因果推論,★,ある変数が他の変数に与える影響（因果効果）を推定したい場合、その双方に影響を与える共変量（交絡因子）の考慮が重要であると理解している（喫煙の有無と疾病発症の双方に年齢が影響している場合など）,,,
59,49,基礎技術,科学的解析の基礎,因果推論,★,分析の対象を定める段階で選択バイアスが生じる可能性があることを理解している（途中離脱者の除外時、欠損データの除外時など）,,,◯
60,50,基礎技術,科学的解析の基礎,因果推論,★★,分析目的において測定したい効果に関する変数を把握した上で、ランダム化比較試験や層別化などの方法を用いてその他の影響（各群の特性や背景）が均等になるように処置群・対照群を設計することができる,,,
61,51,基礎技術,科学的解析の基礎,因果推論,★★,統計的因果推論における因果効果（平均処置効果、Average Treatment Effect; ATEなど）について説明できる,,,
62,52,基礎技術,科学的解析の基礎,因果推論,★★,統計的因果推論における、交換性（exchangeability）、強く無視できる割り当て条件（Conditional Exchangeability）、一致性（consistency）、正値性（positivity）について説明できる,,,
63,53,基礎技術,科学的解析の基礎,因果推論,★★,ある変数の影響（因果効果）を推定したいがランダム化比較試験の実施が難しい場合、傾向スコアによる手法（傾向スコアマッチング、IPW、Doubly Robustなど）を用いることで観測されている共変量の影響を最小限に抑えることができる,,,
64,54,基礎技術,科学的解析の基礎,因果推論,★★,共変量の調整を行った際に、調整後の共変量のバランスやPositivity違反の有無を確認するとともに、感度分析を実施することで結果の妥当性を検証できる,,,
65,55,基礎技術,科学的解析の基礎,因果推論,★★,推薦システムのような介入方策を、その方策とは別の方策で集められたデータを用いて評価するOff-Policy Evaluation（OPE）の手法について説明できる（Direct Method (DM)、Inverse Probability Weighting (IPW)、Doubly Robust (DR)など）,,,
66,1,データ課題解決,アプローチ設計,分析方針設計,★★,分析の目的を検証すべき項目に分解し、優先度を判断した上で、アウトプットのイメージを描くことができる,＊,,◯
67,2,データ課題解決,アプローチ設計,分析方針設計,★★,分析の目的に対して、プロジェクトの目標と評価方法を具体化し、定量的な成功基準を設定するとともに、成功基準の判定時期・判定者を決定できる,＊,＊,
68,3,データ課題解決,アプローチ設計,分析方針設計,★★,仮説検証思考で、論点ごとに検証すべき項目を識別できる,＊,＊,◯
69,4,データ課題解決,アプローチ設計,分析方針設計,★★★,ビジネス課題に対して「データサイエンスを駆使して解くべき課題」か否かを判断できる,＊,,◯
70,5,データ課題解決,アプローチ設計,分析方針設計,★★★,自社ビジネスに関連する新たな学習済みモデルやAIサービスのリリースを常に把握し、その特徴やコスト、導入負荷、リスクなどを理解した上で現行業務や利用中のシステムに対する影響や導入可否を検討できる,＊,,
71,6,データ課題解決,アプローチ設計,分析方針設計,★★★,AI技術に関する大局的な理解をもとに、必要に応じて専門家に相談し、ビジネスで生じる様々なAI活用のアイデアについて、その実現可否や難易度を判断できる（生成モデルによるContent moderationの実施など）,＊,,
72,7,データ課題解決,アプローチ設計,データ入手計画,★,仮説や課題に対して必要なデータを特定できる,＊,＊,◯
73,8,データ課題解決,アプローチ設計,データ入手計画,★★,必要なデータの粒度・サンプリング方法を設計し、担当領域を超えてアクセスを確保できる,＊,＊,
74,9,データ課題解決,アプローチ設計,データ入手計画,★★★,組織全体及び関連する社外のデータを見渡して、必要なデータのあたりをつけ、アクセスを確保できる,＊,＊,
75,10,データ課題解決,アプローチ設計,分析設計,★,スコープ、検討範囲・内容が明確に設定されていれば、必要な分析プロセスが理解できる（データ、分析手法、可視化の方法など）,＊,,
76,11,データ課題解決,アプローチ設計,分析設計,★★,解くべき課題がフレーミングされていれば、必要な分析手法、可視化などを適切に選択できる,＊,,
77,12,データ課題解決,アプローチ設計,分析設計,★★,解くべき課題がフレーミングされていれば、必要な分析手法、可視化などを適切に選択できる,＊,,◯
78,13,データ課題解決,アプローチ設計,分析設計,★★★,複数のアプローチの組み合わせでしか解けない課題であっても、その解決までの道筋を設計できる,＊,＊,
79,14,データ課題解決,アプローチ設計,分析評価設計,★★,担当するプロジェクトの分析目的と想定される分析結果の整合性を踏まえた評価を設計できる,＊,,◯
80,15,データ課題解決,アプローチ設計,分析評価設計,★★,分析結果が当初の目的を満たしていない場合に、問題を正しく理解し、目的達成に向けて必要な分析手順を追加・変更できる,＊,,◯
81,16,データ課題解決,アプローチ設計,分析評価設計,★★★,生成AIを活用したアウトプットに対して、ビジネス観点での検証プロセスの設計とアウトプットの評価軸を検討できる,＊,,
82,1,データ課題解決,データの理解・検証,データ確認,★,単独のグラフに対して、集計ミスや記載ミスなどがないかチェックできる,＊,,◯
83,2,データ課題解決,データの理解・検証,データ確認,★,データ項目やデータの量・質について、指示のもと正しく検証し、結果を説明できる,＊,,
84,3,データ課題解決,データの理解・検証,データ確認,★★,複数のグラフや集計表で構成されているレポートに対して、全体として集計ミスや不整合が起きていないかチェックできる,＊,,◯
85,4,データ課題解決,データの理解・検証,データ確認,★★,データ項目やデータの量・質の検証方法を計画・実行し、その結果をもとにその後の分析プロセスを立案・修正できる,＊,,
86,5,データ課題解決,データの理解・検証,データ確認,★★★,多数のグラフ、集計表、外部の統計情報、高度なデータ解析手法を用いた解析結果などを含むレポートに対して、不整合が起きていないか、妥当性の高い論理構造であるかチェックできる,＊,,
87,6,データ課題解決,データの理解・検証,データ確認,★★★,分析に必要なデータを想定し、現在取得可能なデータの量・質で分析に耐えうるか、分析目的が達成可能であるかを判断できる,＊,,◯
88,7,データ課題解決,データの理解・検証,俯瞰・メタ思考,★★,データを俯瞰して、変化をすみやかに察知するとともに、変化が誤差の範囲かどうか判断できる,＊,,◯
89,8,データ課題解決,データの理解・検証,俯瞰・メタ思考,★★★,複数のデータを多元的かつ大局的に俯瞰して、大きな動きや本質的な事実を見抜くことができる,＊,,◯
90,9,データ課題解決,データの理解・検証,データ理解,★,どのような知見を得たいのか、目的に即して集計し、データから事実を把握できる,＊,,◯
91,10,データ課題解決,データの理解・検証,データ理解,★,データから事実を正しく浮き彫りにするために、集計の切り口や比較対象の設定が重要であることを理解している,＊,,◯
92,11,データ課題解決,データの理解・検証,データ理解,★,普段業務で扱っているデータの発生トリガー・タイミング・頻度などを説明でき、また基本統計量や分布の形状を把握している,＊,,
93,12,データ課題解決,データの理解・検証,データ理解,★★,生データを眺めて、どのような切り口で集計・比較すればデータの理解や事実の把握につながるか検討できる,＊,,◯
94,13,データ課題解決,データの理解・検証,データ理解,★★,扱ったことのない新たなデータに内容の不明な項目があっても、生データの閲覧や集計を通して何の項目かあたりをつけられる,＊,,
95,14,データ課題解決,データの理解・検証,データ理解,★★,扱っているデータの関連業務の知識と分析目的を踏まえて、どんな説明変数が効きそうか、あたりをつけて洗い出し、構造的に整理できる（変数のグループ化や階層化など）,＊,,
96,15,データ課題解決,データの理解・検証,データ理解,★★★,データの変化から起きている事象の背景を構造的に推察し、仮説を立て、検証方法を企画実行できる,＊,,
97,16,データ課題解決,データの理解・検証,データ理解,★★★,データを入手する前に、存在するであろうデータとその分布を想定して基礎俯瞰の方向性やその結果の想定ができ、それを前提とした解析方法の検討・ラフ設計をすることができる,＊,,
98,17,データ課題解決,データの理解・検証,データ理解,★★★,扱ったことのない新たなデータであっても、ER図やテーブル定義、生データなどを見ることによってデータの発生源や欠損値の意味などのあたりをつけられる,＊,＊,
99,18,データ課題解決,データの理解・検証,データ粒度,★★,分析目的とデータの量・質を踏まえて、想定されるメッセージと統計的観点から適切な集計単位やサンプリング率を決定できる,＊,,
100,19,データ課題解決,データの理解・検証,データ粒度,★★★,分析目的とデータの量・質に加えて、想定しているメッセージ、深掘りの方向性・可能性、処理負荷、データ処理フローなども総合的に踏まえた最適な集計単位やサンプリング率を決定できる,＊,＊,
101,1,解析技術,データ準備,サンプリング,★,標本誤差およびサンプリングバイアス、およびそれぞれの違いについて説明できる,,,◯
102,2,解析技術,データ準備,サンプリング,★,実験計画法の基本的な3原則（局所管理化、反復、無作為化）について説明できる,,,
103,3,解析技術,データ準備,サンプリング,★★,調査対象の母集団の規模・特性や調査コストに応じて、多段階抽出法や層化抽出法など適切な標本抽出方法を計画できる,,,
104,4,解析技術,データ準備,サンプリング,★★,属性数と水準数が決まれば適切な直交表を選択し実験計画ができる,,,
105,5,解析技術,データ準備,サンプリング,★★,サンプルサイズを見れば信頼水準を95%としたときの標本誤差レベルについて概ね判断できる,,,◯
106,6,解析技術,データ準備,データクレンジング,★,外れ値・異常値・欠損値とは何かを理解し、指示のもと適切に検出と除去・変換などの対応ができる,,＊,◯
107,7,解析技術,データ準備,データクレンジング,★★,データの特性（分布、欠損パターン）、分析目的、モデル特性を考慮して、外れ値・異常値・欠損値の対応方針を決定できる,,,◯
108,8,解析技術,データ準備,データクレンジング,★★,非構造化データ（画像、テキストなど）に対して、品質チェックや不適切コンテンツの検出を行い、データセットのクリーニングができる,,,
109,9,解析技術,データ準備,データ加工,★,標準化とは何かを理解し、適切に標準化が行える,,,◯
110,10,解析技術,データ準備,データ加工,★,名義尺度の変数をダミー変数に変換できる,,,◯
111,11,解析技術,データ準備,データ加工,★★,加工データに不具合がないか確認方法を設計し、検証できる（合計値の照合や、分布の確認など検証項目の設計と実行）,＊,,◯
112,12,解析技術,データ準備,データ加工,★★★,加工データの統計的な俯瞰によって不具合の早期発見ができるとともに、統計的観点で次ステップの解析に耐えうるデータであるか評価できる,,,◯
113,13,解析技術,データ準備,特徴量エンジニアリング,★,数値データの特徴量化（二値化／離散化、対数変換、スケーリング／正規化、交互作用特徴量の作成など）を行うことができる,,＊,
114,14,解析技術,データ準備,特徴量エンジニアリング,★★,カテゴリデータの特徴量化ができる（ダミー変数化、特徴量ハッシング[カテゴリ数が多い場合の値の割り当て]、ビンカウンティング、バックオフ、最小カウントスケッチ[レアなカテゴリのまとめ処理]など）,,＊,
115,15,解析技術,データ準備,特徴量エンジニアリング,★★,k-means、k近傍法、t-SNEなどを用いた、類似度または非類似度に着目した特徴量を作成できる,,,
116,16,解析技術,データ準備,特徴量エンジニアリング,★★,周期的な意味合いをもつ特徴量を適切な周期の三角関数を用いて変換できる,,,
117,17,解析技術,データ準備,特徴量エンジニアリング,★★,時系列データに対し周期性やトレンドなどを考慮して、階差、移動平均、移動標準偏差、移動最大、移動最小、ラグなどの特徴量を作成できる,＊,,
118,18,解析技術,データ準備,特徴量エンジニアリング,★★,複数のデータセットから、結合や集計などを組み合わせ、有効な特徴量を作成できる（ユーザごとの過去1ヵ月間の購買金額合計など）,＊,,◯
119,19,解析技術,データ準備,特徴量エンジニアリング,★★,深層学習の手法を活用して特徴量（LLMによるトピック抽出、座標系データのCNNによる変換、Embeddingによるベクトル化など）を生成できる,,,
120,20,解析技術,データ準備,特徴量エンジニアリング,★★★,ドメイン知識に基づく洞察から有効な特徴量を効率的に作成できる（類似商品との価格差、借入額と返済額の比など）,＊,,
121,21,解析技術,データ準備,特徴量エンジニアリング,★★★,有用と思われるデータを新たに調達し、既知のデータと組み合わせることで有効な特徴量を作成できる（業界特有なカレンダー、地理空間的な類似度を考慮した集計値など）,＊,,
122,1,解析技術,データ可視化,方向性定義,★,可視化における目的の広がりについて概略を説明できる（単に現場の作業支援する場合から、ビッグデータ中の要素間の関連性をダイナミックに表示する場合など）,＊,,
123,2,解析技術,データ可視化,方向性定義,★★,可視化の役割・方向性を判別できる - 特異点を明確にする - データ解析部門以外の方にデータの意味を正しく伝える - 現場の作業を支援する など,＊,,
124,3,解析技術,データ可視化,方向性定義,★★★,データ量が膨大で構造が捉えにくい場合や、アウトプットが想像しにくい場合であっても、可視化の役割・方向性を判断できる（ビッグデータ中の要素間の関連性をダイナミックに表現する、細部に入りきらずに問に対して答えを出すなど）,,,
125,4,解析技術,データ可視化,軸出し,★,散布図などの軸出しにおいて、目的やデータに応じて縦軸・横軸の候補を適切に洗い出せる,＊,,◯
126,5,解析技術,データ可視化,軸出し,★,積み上げ縦棒グラフでの属性の選択など、目的やデータに応じて適切な層化（比較軸）の候補を出せる,＊,,◯
127,6,解析技術,データ可視化,軸出し,★★,抽出したい意味にふさわしい軸・層化の粒度、順番を考慮して軸のきざみや層化方法を選択できる,＊,,◯
128,7,解析技術,データ可視化,軸出し,★★,膨大な属性を持つテーブルから目的に有用な属性を選択できる,＊,,
129,8,解析技術,データ可視化,軸出し,★★★,非構造化データから分析の軸になりうる候補を抽出し、付加すべき属性候補を適切に出せる,＊,,
130,9,解析技術,データ可視化,データ加工,★,サンプリングやアンサンブル平均によって適量にデータ量を減らすことができる,＊,,
131,10,解析技術,データ可視化,データ加工,★,読み取りたい特徴を効果的に可視化するために、統計量を使ってデータを加工できる,,,
132,11,解析技術,データ可視化,データ加工,★★,データの持つ分散量の観点で、高次元のデータを主成分分析（PCA）などにより1～3次元のデータに変換できる,,,◯
133,12,解析技術,データ可視化,データ加工,★★★,高次元の非線形な（高次の曲線、渦状の分布などの）データであっても、適切に1～3次元のデータに圧縮して、特徴（データの総分散量および各データの位置関係）を損なわずに可視化できる,,,
134,13,解析技術,データ可視化,データ加工,★★★,ネットワーク構造、グラフ構造などの表現において、ノードとエッジが増えすぎて特徴抽出が困難であっても、データの絞り込みや抽象度を上げることで適切に可視化できる,,＊,
135,14,解析技術,データ可視化,データ加工,★★★,データ量が膨大なために、単なる描画が意味をなさない場合でも、データや情報の適度な抽出（間引き）、クラスター分析などにより可視化しうる状態にデータを加工できる,,＊,
136,15,解析技術,データ可視化,データ加工,★★★,リアルタイム性を要求される大規模データに対し、特異点抽出、次元圧縮、ストリーム処理などの技術を適切に選択・適用し、データの収集から可視化までの一連のデータパイプラインを構築できる,,＊,
137,16,解析技術,データ可視化,表現・実装技法,★,データ解析部門以外の方に、データの意味を可視化して伝える重要性を理解している,＊,,◯
138,17,解析技術,データ可視化,表現・実装技法,★,情報提示の相手や場に応じて適切な情報濃度を判断できる（データインク比の考え方など）,,,
139,18,解析技術,データ可視化,表現・実装技法,★,不必要な誇張をしないための軸表現の基礎を理解できている（コラムチャートのY軸の基準点は「0」からを原則とし軸を切らないなど）,,,◯
140,19,解析技術,データ可視化,表現・実装技法,★,強調表現がもたらす効果と、不適切な強調表現を理解している（計量データに対しては位置やサイズ表現が色表現よりも効果的など）,,,◯
141,20,解析技術,データ可視化,表現・実装技法,★,1～3次元の比較において目的（比較、構成、分布、変化など）に応じ、BIツール、スプレッドシートなどを用いて図表化できる,,＊,◯
142,21,解析技術,データ可視化,表現・実装技法,★,端的に図表の変化をアニメーションで可視化できる（人口動態のヒストグラムが経年変化する様子を表現するなど）,,,
143,22,解析技術,データ可視化,表現・実装技法,★,1～3次元の図表を拡張した多変量の比較を適切に可視化できる（平行座標、散布図行列、テーブルレンズ、ヒートマップなど）,,,
144,23,解析技術,データ可視化,表現・実装技法,★★,ネットワーク構造、グラフ構造、階層構造などの統計的な関係性の可視化ができる,,＊,
145,24,解析技術,データ可視化,表現・実装技法,★★,地理空間情報などを地図に重ね合わせた可視化ができる（コロプレスマップ、ボロノイ図など）,,,
146,25,解析技術,データ可視化,表現・実装技法,★★,挙動・軌跡の可視化ができる（店舗内でのユーザの回遊やEye tracking、ウェアラブル端末の3軸ジャイロセンサーや心拍数など）,,,
147,26,解析技術,データ可視化,表現・実装技法,★★,適切な情報（意味）を押さえた上で、デザイン性を高めるための要件提示ができる,＊,,
148,27,解析技術,データ可視化,表現・実装技法,★★,ドメイン知識とビジネス背景をふまえ、適切な情報項目を参照し、利用者の使い勝手を考慮した可視化したダッシュボードあるいは可視化ツールを設計できる,＊,＊,
149,28,解析技術,データ可視化,表現・実装技法,★★★,人体、標高を持つ地図、球面など３次元空間上にデータを重ね合わせた可視化ができる,,＊,
150,29,解析技術,データ可視化,表現・実装技法,★★★,地図上で同時に動く数百以上のポイントにおける時間変化を動的に表現できる（多地点での風の動き、飛行物の軌跡など）,,＊,
151,30,解析技術,データ可視化,表現・実装技法,★★★,複雑で総合的な表現が求められる場合に、ユーザインターフェースの設計に加え、内部のアルゴリズム設計やシステム環境への負荷調整なども踏まえた可視化ができる,,＊,
152,31,解析技術,データ可視化,意味抽出,★,外れ値を見出すための適切な表現手法を選択できる,,,
153,32,解析技術,データ可視化,意味抽出,★,データの可視化における基本的な視点を挙げることができる（特異点、相違性、傾向性、関連性を見出すなど）,,,◯
154,33,解析技術,データ可視化,意味抽出,★★,統計値（代表値の指標、バラツキの指標、有意性の指標）を正しく読み、回帰式や移動平均線、関係式に意味付けできる,,,◯
155,34,解析技術,データ可視化,意味抽出,★★★,分類・グルーピングの分析において、分布傾向から原因を追究し、活用方針を計画・主導できる（分類に応じたDM発送による反応率の向上など）,＊,,
156,35,解析技術,データ可視化,意味抽出,★★★,予測の分析において、関連性、特異点、変曲点から原因を追究し、活用方針を計画・主導できる（予測結果に基づく発注管理など）,＊,,
157,36,解析技術,データ可視化,意味抽出,★★★,関係性の分析において関連が高い/低い原因を追究し、活用方針を計画・主導できる（レコメンドなど）,＊,,
158,1,解析技術,モデル化,回帰・分類,★,単回帰分析において最小二乗法、回帰係数、標準誤差、決定係数を理解し、モデルを構築できる,,,◯
159,2,解析技術,モデル化,回帰・分類,★,重回帰分析において偏回帰係数と標準偏回帰係数、重相関係数、自由度調整済み決定係数について説明できる,,,
160,3,解析技術,モデル化,回帰・分類,★,線形回帰分析とロジスティック回帰分析のそれぞれが予測する対象の違いを理解し、適切に使い分けられる,,,
161,4,解析技術,モデル化,回帰・分類,★★,重回帰分析や判別分析において、各種変数選択手法（ステップワイズ法、ベストサブセット法など）の特徴を理解した上で効果的に適用できる,,,
162,5,解析技術,モデル化,回帰・分類,★★,重回帰分析において多重共線性の評価ができ、適切に変数を統合・加工・削除して予測モデルが構築できる,,,◯
163,6,解析技術,モデル化,回帰・分類,★★,過学習を防止するためにL1正則化（Lasso）、L2正則化（Ridge回帰）、それらを組み合わせたElastic netを適用できる,,,
164,7,解析技術,モデル化,回帰・分類,★★,目的変数が正規分布に従わない場合や、データに階層性がある場合に対応するため、一般化線形モデル（GLM）や一般化線形混合モデル（GLMM）を選択・構築できる,,,
165,8,解析技術,モデル化,回帰・分類,★★,ロジスティック回帰分析において回帰係数とオッズ比の関係について説明できる,,,
166,9,解析技術,モデル化,回帰・分類,★★,ロジスティック回帰分析を行う際に、最小二乗法ではなく最尤法を使う際の利点（回帰誤差が近似的に正規分布しなくても適用できるなど）を説明し、適用できる,,,
167,10,解析技術,モデル化,回帰・分類,★★,生存時間分析において、打ち切りデータを考慮し、Cox回帰（比例ハザードモデル）を用いてイベント発生リスク（ハザード比）を推定するモデルを構築できる,,,
168,11,解析技術,モデル化,回帰・分類,★★,対象の個体差やグループ毎の差が認められるデータに対し、階層ベイズモデルの構築ができる,,,
169,12,解析技術,モデル化,回帰・分類,★★,分析手法やデータの特性に応じて、必要な変数加工（標準化、ダミー変数化、交互作用項の作成）や非線形変換などを設計・実施できる,,,
170,13,解析技術,モデル化,回帰・分類,★★★,対象データの分布を確認し、分布形状に適合した計算式の非線形回帰モデルを構築できる,,,
171,14,解析技術,モデル化,回帰・分類,★★★,予測モデル構築において頑健性（Robustness）を維持するための具体的な方法を設計、実施できる,,,◯
172,15,解析技術,モデル化,統計的評価,★,ROC曲線、AUC(Area under the curve)を用いてモデルの精度を評価できる,,,
173,16,解析技術,モデル化,統計的評価,★,混同行列（正誤分布のクロス表）、Accuracy、Precision、Recall、F値、特異度を理解し、精度を評価できる,,,
174,17,解析技術,モデル化,統計的評価,★,RMSE（Root Mean Square Error）、MAE（Mean Absolute Error）、MAPE（Mean Absolute Percentage Error）、決定係数といった評価尺度を理解し、精度を評価できる,,,◯
175,18,解析技術,モデル化,統計的評価,★★,多値分類において、混同行列（正誤分布のクロス表）のAccuracy、Precision、Recall、F値に関するmacro平均、micro平均、重み付き平均を計算し評価できる,,,
176,19,解析技術,モデル化,統計的評価,★★,不均衡データ（Imbalanced data）に対する分類モデルの評価尺度を、Precision、Recall、F値、PR（Presicion Recall）曲線、マシューズ相関係数などを用いてビジネス課題に合わせて適切に設定できる,＊,,
177,20,解析技術,モデル化,統計的評価,★★,MSE、AUC、F値などは評価データ全体に対する平均的評価であることを理解し、必要に応じて予測値・誤差の可視化、データの部分集合に対する評価などを実施できる,,,◯
178,21,解析技術,モデル化,統計的評価,★★,モデル間で評価指標を比較する際の前提条件を理解している（同一のテストデータを使用、キャリブレーションによるクラス分布の反映、最適な閾値の設定など）,,,
179,22,解析技術,モデル化,統計的評価,★★,予測モデルの出力結果における誤差の分布を理解し、逸脱したデータ点において起きている事象を推察できる,,,
180,23,解析技術,モデル化,統計的評価,★★★,目的（予測・真のモデル推定など）に応じて、適切な損失関数とモデル選択基準（AIC：赤池情報量規準、BIC：ベイズ情報量規準、MDL：最小記述長など）を選択し、モデル評価ができる,,,
181,24,解析技術,モデル化,機械学習,★,機械学習の手法を3つ以上知っており、それぞれの概要と解決できる問題（回帰・分類・クラスター分析など）を説明できる,,,
182,25,解析技術,モデル化,機械学習,★,「教師あり学習」「教師なし学習」の違いを理解している,,,◯
183,26,解析技術,モデル化,機械学習,★,過学習とは何か、それがもたらす問題について説明できる,,,◯
184,27,解析技術,モデル化,機械学習,★,次元の呪いとは何か、その問題について説明できる,,,
185,28,解析技術,モデル化,機械学習,★,教師あり学習におけるアノテーションの必要性を説明できる,＊,,
186,29,解析技術,モデル化,機械学習,★,観測されたデータにバイアスが含まれる場合や、学習した予測モデルが少数派のデータをノイズと認識してしまった場合などに、モデルの出力が差別的な振る舞いをしてしまうリスクを理解している,,,◯
187,30,解析技術,モデル化,機械学習,★,機械学習における大域的(global)な説明（モデル単位の各変数の寄与度など）と局所的(local)な説明（予測するレコード単位の各変数の寄与度など）の違いを理解している,,,
188,31,解析技術,モデル化,機械学習,★,ホールドアウト法、交差検証（クロスバリデーション）法の仕組みを理解し、訓練データ、パラメータチューニング用の検証データ、テストデータを作成できる,,,
189,32,解析技術,モデル化,機械学習,★,機械学習モデルは、データ構成の変化(データドリフト)により学習完了後から精度が劣化していくため、運用時は精度をモニタリングする必要があることを理解している,,,
190,33,解析技術,モデル化,機械学習,★,ニューラルネットワークの基本的な考え方を理解し、入力層、隠れ層、出力層の概要と、活性化関数の重要性を理解している,,,◯
191,34,解析技術,モデル化,機械学習,★,決定木をベースとしたアンサンブル学習（Random Forest、勾配ブースティング[Gradient Boosting Decision Tree：GBDT]、 その派生形であるXGBoost、LightGBMなど）による分析を、ライブラリを使って実行でき、変数の寄与度を正しく解釈できる,,,
192,35,解析技術,モデル化,機械学習,★,連合学習では、データは共有せず、モデルのパラメータを共有して複数のモデルを統合していることを理解している,,,
193,36,解析技術,モデル化,機械学習,★,モデルの性能を改善するためには、モデルの改善よりもデータの質と量を向上させる方が効果的な場合があることを理解している,,＊,◯
194,37,解析技術,モデル化,機械学習,★★,訓練データ、検証データ、テストデータの分割時に、データの性質や目的に応じて、時間情報や地理空間情報、様々な属性を考慮すべきか判断できる,＊,,
195,38,解析技術,モデル化,機械学習,★★,予測モデルにおけるリークとは何か、それがもたらす問題について説明できる,,,
196,39,解析技術,モデル化,機械学習,★★,次元の呪いの影響を受けやすいアルゴリズムを識別し対処するアプローチを実施できる（特徴量選択、次元圧縮、L1/L2正則化など）,,,
197,40,解析技術,モデル化,機械学習,★★,アノテーションにおいて、判断基準の明確化やアノテーターの精度管理を適切に実施することにより、高品質な教師付きデータを効率的に作成できる,＊,,
198,41,解析技術,モデル化,機械学習,★★,決定木の主要な分割基準（ジニ不純度、情報利得など）を理解し、データ特性に応じた適切なアルゴリズムを選択できる,,,
199,42,解析技術,モデル化,機械学習,★★,データに変更を加え予測モデルを故意に誤らせる敵対的サンプル（Adversarial examples）について、代表的な攻撃方法を理解している,,,
200,43,解析技術,モデル化,機械学習,★★,生成モデルと識別モデルの違いやそれぞれのメリットと課題を理解しており、目的に応じて適切に使い分けられる,,,◯
201,44,解析技術,モデル化,機械学習,★★,尤度と変分下限（ELBO）の定義と意味を理解し、生成モデルの学習や評価において適切に使い分けることができる,,,
202,45,解析技術,モデル化,機械学習,★★,不均衡データ（Imbalanced data）がモデルに与える影響を理解し、サンプリングや評価/損失関数のチューニングなどを適切に対処できる,,,
203,46,解析技術,モデル化,機械学習,★★,データの欠損の状況や背景を踏まえて適切なモデルを選定し、目的に応じた欠測補完方法を設計できる,,,
204,47,解析技術,モデル化,機械学習,★★,バイアスとバリアンスの関係について、未学習や過学習の観点から説明できる,,,
205,48,解析技術,モデル化,機械学習,★★,機械学習・AIの公平性の評価指標について説明できる（デモグラフィックパリティ、均等オッズ、予測パリティ、反事実的公平性など）,＊,,
206,49,解析技術,モデル化,機械学習,★★,LIME、SHAPなどExplainable AI（XAI）の手法を用いて、ブラックボックス性の高いモデルの局所的な説明（レコード単位の予測根拠の提示）ができる,,,
207,50,解析技術,モデル化,機械学習,★★,課題やデータに応じて、汎化性能向上のためのデータ拡張（Data Augmentation）を設計・実装できる（画像データの回転・反転、テキストデータの単語入れ替え・置換・削除など）,,,
208,51,解析技術,モデル化,機械学習,★★,連合学習について、水平型と垂直型の違いを理解し、適切に対応方針を決定できる,,,
209,52,解析技術,モデル化,機械学習,★★,低品質なデータ（バイアスや欠落、計測・登録の誤り、混入など）に対するデータクレンジングには限界があり、取得段階での対策が重要であることを理解している,,＊,◯
210,53,解析技術,モデル化,機械学習,★★,Webから収集したデータなど、大量だが不要な情報が多く混在するデータに対し、不必要もしくは不適切なデータをできる限り取り除くことで、データの品質を高めることができる,,＊,
211,54,解析技術,モデル化,機械学習,★★★,データと分析要件から、データ分布やモデル精度のモニタリング設計・実施と、劣化が見込まれるモデルに対するリモデルの設計ができる,,＊,
212,55,解析技術,モデル化,機械学習,★★★,リークの発生の有無を適切に判断し、対応できる（マスタデータが更新されており、本来予測時に使用できない未来の情報を含んでしまうパターン、本来は未知である評価データも含めて標準化するパターンなど）,＊,,
213,56,解析技術,モデル化,機械学習,★★★,最新の研究に基づき敵対的サンプル（Adversarial examples）に対する現実的な対策を検討できる,,,
214,57,解析技術,モデル化,機械学習,★★★,分析要件に応じ、モデリング手法（線形モデル、決定木、サポートベクターマシン、ニューラルネットワーク、アンサンブル学習など）の選択とパラメータ設定、結果の評価、チューニングを適切に設計・実施・指示できる,,,◯
215,58,解析技術,モデル化,機械学習,★★★,複数の機械学習モデルを組み合わせるアンサンブル学習において、各モデルの予測スコアを用いた平均（Averaging）、多数決（Voting）、Stackingなどの手法を理解し、目的に応じて設計・実装できる,,＊,
216,59,解析技術,モデル化,機械学習,★★★,半教師あり学習やアクティブラーニングにより効率的なアノテーションができる,＊,,
217,60,解析技術,モデル化,機械学習,★★★,機械学習等の最新の論文を理解し、必要とあれば自分で実装し評価できる,,＊,
218,61,解析技術,モデル化,機械学習,★★★,分析目的を達成するためにどの水準でデータ品質を確保する必要があるかを判断し、取得段階における品質対策ガイドラインを設計できる,,,
219,62,解析技術,モデル化,深層学習,★,深層学習（ディープラーニング）モデルの活用による主なメリットを理解している（特徴量抽出が可能になるなど）,,,◯
220,63,解析技術,モデル化,深層学習,★,CNN、RNN、Transformerなど主要な深層学習アーキテクチャの特徴と用途を説明できる,,,
221,64,解析技術,モデル化,深層学習,★,データサイエンスやAIの分野におけるモダリティの意味を説明できる（データがどのような形式や方法で得られるか、など）,,,
222,65,解析技術,モデル化,深層学習,★★,バッチ勾配降下法（バッチ学習）、確率的勾配降下法（オンライン学習）、ミニバッチ勾配降下法（ミニバッチ学習）の違いを説明できる,,,
223,66,解析技術,モデル化,深層学習,★★,ドロップアウト、L1/L2正則化などによる過学習の抑制や、バッチ正規化による学習の効率化について理解している,,,
224,67,解析技術,モデル化,深層学習,★★,文字や単語といった質的（離散的）な特徴量をニューラルネットワークで学習する場合、特徴量の各値にベクトルを対応させるEmbedding層が有効であることを理解している,,,
225,68,解析技術,モデル化,深層学習,★★,畳み込みニューラルネットワーク(CNN)、再帰型ニューラルネットワーク（RNN）、長期短期記憶（LSTM）、Transformer（Attention機構）などの深層学習の主要方式の特徴を理解し、目的に応じて適切に選定できる,,,
226,69,解析技術,モデル化,深層学習,★★,転移学習とファインチューニングの基本的な枠組みを理解し、事前学習済みのニューラルネットワークを用いた効率的な学習方法を設計・実装できる,,＊,
227,70,解析技術,モデル化,深層学習,★★,誤差逆伝播法（Backpropagation）における勾配消失、勾配爆発の問題を理解し、適切な活性化関数・重みの初期化方法の選択、Gradient Clippingなどの緩和策を実施できる,,,
228,71,解析技術,モデル化,深層学習,★★,Residual Connection(Skip Connection)が誤差逆伝播法（Backpropagation）における勾配消失問題の緩和策となっていることを理解している,,,
229,72,解析技術,モデル化,深層学習,★★,深層学習における最適化法/Optimizer（SGD、Adam、AdamWなど）や学習率の動的な調整法（Warmup、Cosine Annealingなど）の重要性について理解している,,,
230,73,解析技術,モデル化,深層学習,★★,深層学習モデルにおいて、データ量・パラメータ数・計算量を拡大することで損失がべき乗則（Scaling Law）に従って減少する特性を理解し、モデル規模や学習リソースの設計・改善に活用できる,,,
231,74,解析技術,モデル化,深層学習,★★,主要な深層生成モデル（拡散モデル、変分自己符号化器[Variational AutoEncoder： VAE]、敵対的生成ネットワーク[Generative Adversarial Network：GAN]）やその派生形を理解し、目的に応じて学習・評価できる,,,
232,75,解析技術,モデル化,深層学習,★★★,深層学習モデルの性能・安定性・効率性を最適化するため、層構成やハイパーパラメータを理解し、目的に応じてチューニングできる,,,
233,76,解析技術,モデル化,深層学習,★★★,深層学習モデルの推論時の計算コストを削減する方法（枝刈り、蒸留、量子化など）を設計・実装できる,,,
234,77,解析技術,モデル化,強化学習,★,強化学習の基本概念（マルコフ決定過程（状態、行動、報酬）や方策など）を、特定のタスク（例：ゲーム、ロボット制御）の文脈に当てはめて説明できる,,,
235,78,解析技術,モデル化,強化学習,★,教師あり学習と強化学習の違いを、前提、定義、応用先といった観点で説明できる,,,
236,79,解析技術,モデル化,強化学習,★★,強化学習の基本的な手法を理解し、方策勾配やQ学習などをベースとした学習を実行できる,,,
237,80,解析技術,モデル化,強化学習,★★,模倣学習（Imitation Learning）や逆強化学習（Inverse Reinforcement Learning）といった手法を適用し、熟練者のデモンストレーションデータから暗黙知や複雑な行動パターンを定量的に抽出・学習できる,,,
238,81,解析技術,モデル化,強化学習,★★,オフライン強化学習を用いて、過去のデータセットから世界モデルを構築し、合成データ生成やシミュレーション環境として利用することで安全性を担保した頑健（ロバスト）な方策に改善できる,,,
239,82,解析技術,モデル化,強化学習,★★★,主要な強化学習モデルを理解し、目的に応じて学習・評価できる(Deep Q-network [DQN]、Asynchronous Advantage Actor-Critic[A3C]、Proximal Policy Optimization [PPO]やその派生形など）,,,
240,83,解析技術,モデル化,時系列分析,★,時系列データとは何か、その基礎的な扱いについて説明できる（時系列グラフによる周期性やトレンドの確認、移動平均、回帰や相関計算における注意点など）,＊,,◯
241,84,解析技術,モデル化,時系列分析,★,時系列データの場合は、時間軸で訓練データとテストデータに分割する理由を理解している,,,
242,85,解析技術,モデル化,時系列分析,★,時系列分析を行う際にもつべき視点を理解している（長期トレンド、季節成分、周期性、ノイズ、定常性など）,,,
243,86,解析技術,モデル化,時系列分析,★★,時系列データの時点間での関係を、自己相関やコレログラムを利用して評価ができる,,,
244,87,解析技術,モデル化,時系列分析,★★,時系列データに対し、ライブラリを使用して分析結果を比較し、適切なモデルを選択できる（時系列基盤モデル、ARIMA、SARIMA、VAR、GARCH、Prophet、RNN、Transformerなど）,,,
245,88,解析技術,モデル化,時系列分析,★★,グレンジャー因果などの手法を用い、時系列データにおける変数間の因果関係を把握できる,,,
246,89,解析技術,モデル化,時系列分析,★★,高速フーリエ変換（Fast Fourier Transform: FFT）などを用いてピリオドグラムの計算量を抑制できる,,,
247,90,解析技術,モデル化,時系列分析,★★,時系列データにおける欠測値の補完を、統計的手法（線形補間、移動平均）や状態空間モデル（カルマンフィルタ、HMM）を用いて適切に実行できる,,,
248,91,解析技術,モデル化,時系列分析,★★★,非線形・非ガウス型状態空間モデルにおいて、モンテカルロ・フィルタを用いて、複雑な時系列システムの予測モデルを構築できる,,,
249,92,解析技術,モデル化,クラスタリング,★,教師なし学習のグループ化（クラスター分析）と教師あり学習の分類（判別）モデルの違いを説明できる,,,
250,93,解析技術,モデル化,クラスタリング,★,階層クラスタリングと非階層クラスタリングの違い、ソフトクラスタリングとハードクラスタリングの違いを説明できる,,,
251,94,解析技術,モデル化,クラスタリング,★,階層クラスター分析において、デンドログラムの見方を理解し、適切に解釈できる,＊,,
252,95,解析技術,モデル化,クラスタリング,★★,非階層クラスター分析において、分析対象となるデータの特性や分析目的に応じ、適切なクラスター数の決定とクラスターの解釈ができる,,,◯
253,96,解析技術,モデル化,クラスタリング,★★,階層クラスター分析における代表的なクラスター間距離（Ward法、群平均法、最長一致法など）の概念を理解し、目的に合致した最適な手法で分析できる,,,
254,97,解析技術,モデル化,クラスタリング,★★,クラスター分析を実行する際、各種距離（ユークリッド距離、マンハッタン距離、マハラノビス距離など）や非類似度（1-cos類似度のような距離の公理を満たさない指標など）を理解し、分析目的に合致した最適な手法で分析できる,＊,,
255,98,解析技術,モデル化,クラスタリング,★★,k-means法などの初期値依存性を持つ手法において、クラスタ構造の安定性を評価し、適切な初期値設定・多重実行・評価指標を選択できる,,,
256,99,解析技術,モデル化,クラスタリング,★★,k-meansやその派生方法、カーネルk-means、スペクトラルクラスタリングなどの違いを理解し、試行の中で最適な手法を選択・実行できる,,,
257,100,解析技術,モデル化,クラスタリング,★★,BERTopicに代表される深層学習ベースのクラスタリングを実施できる,,,
258,101,解析技術,モデル化,クラスタリング,★★★,自己組織化マップ（SOM）、Affinity Propagation、混合分布モデル、ディリクレ過程混合モデルなどを理解し、試行の中で最適な手法を選択できる,,,
259,102,解析技術,モデル化,グラフィカルモデル,★★,グラフィカルモデルを用いて、確率変数間の関係性をグラフ表現できる,,,
260,103,解析技術,モデル化,グラフィカルモデル,★★,重回帰分析とパス解析の違いを理解し、使い分けることができる,,,
261,104,解析技術,モデル化,グラフィカルモデル,★★,LINGAMやベイジアンネットワークを用いて因果探索ができる,,,
262,105,解析技術,モデル化,グラフィカルモデル,★★,共分散構造分析（構造方程式モデリング：SEM）を行い、観測変数・潜在変数の因果関係を説明できる,,,
263,106,解析技術,モデル化,ネットワーク分析,★,ネットワーク分析におけるグラフの基本概念（有向・無向グラフ、エッジ、ノード等）を理解している。,,,
264,107,解析技術,モデル化,ネットワーク分析,★★,ネットワーク分析におけるノードの影響力、仲介性、接続性などを測る中心性指標（近接中心性、ページランクなど） やグラフ理論を用いた基本的なアルゴリズム（最短経路問題等）を理解し、与えられた問題を解くことができる,,,
265,108,解析技術,モデル化,ネットワーク分析,★★,ナレッジグラフとは何か、そしてどのように情報を表現しているか（主語、述語、目的語とエッジ、ノードの対応関係など）を理解し、その応用について一例を挙げて説明できる（検索エンジン、レコメンドなど）,,,
266,109,解析技術,モデル化,ネットワーク分析,★★★,ネットワーク分析が問題の解決に有効な状況を見極め、現実の問題をグラフを用いたデータ分析の問題に落とし込むことができる。,,,
267,110,解析技術,モデル化,ネットワーク分析,★★★,グラフ深層学習（Graphical Convolution Networks：GCNなど）の入出力（特徴量行列、隣接行列など）とタスク（ノード予測、リンク予測など）を理解し、適切な手法で課題を解決できる,,,
268,1,解析技術,モデル利活用,異常検知,★★,手元のデータの多寡やデータの再現性をふまえ、教師あり異常検知と教師なし異常検知の違いを適切に使い分けることができる,＊,,
269,2,解析技術,モデル利活用,異常検知,★★,統計・分布ベース（One-class SVM、Isolation Forest）、距離・密度ベース（KNN、Local Outlier Factor）、再構築ベース（Auto Encoder）を含む異常検知アルゴリズムの原理と適用分野を理解し、対象のデータの特性（時系列、高次元、構造データなど）に応じて適切な手法を選定・実装・評価できる,,,
270,3,解析技術,モデル利活用,レコメンド,★,レコメンドアルゴリズムにおけるコンテンツベースフィルタリングと協調フィルタリングの違いを説明できる,,,
271,4,解析技術,モデル利活用,レコメンド,★★,分析要件から適切なレコメンドアルゴリズム（ItemKNN、BRP、item2vec、LightGCN、RecVAEなど）を選定し実装できる,,,
272,5,解析技術,モデル利活用,レコメンド,★★,精度指標（HR@k、NDCG@k、MRR 等）や多様性指標（カタログカバレッジ、セレンディピティ、ノベルティ 等）を推薦モデルの用途に合わせて選択し、評価できる,,,
273,6,解析技術,モデル利活用,レコメンド,★★★,行動履歴に加え、アイテム属性、ユーザ属性、時間変化などの情報を用いて、目的に応じた推薦アルゴリズム（DeepFM、Wide & Deep、SASRec、BERT4Rec、LightGCN など）を実装・評価できる,,,
274,1,解析技術,オペレーションズリサーチ,シミュレーション・データ同化,★★,離散型・連続型シミュレーションについて、説明できる（モンテカルロ、ヒストリカル、Agentベースなど）,,,
275,2,解析技術,オペレーションズリサーチ,シミュレーション・データ同化,★★,マルコフ連鎖の特徴を理解し、MCMC（マルコフ連鎖モンテカルロ法）シミュレーションをライブラリを用いて実装できる,,,
276,3,解析技術,オペレーションズリサーチ,シミュレーション・データ同化,★★★,データ同化の概念を理解し、実行できる（データを用いてシミュレーション内の不確実性を減少させる計算技法など）,,,
277,4,解析技術,オペレーションズリサーチ,シミュレーション・データ同化,★★★,シミュレーションにおける問題を理解し、対処を考えることができる（初期条件・境界条件・パラメータの不確実性、データ分布の不均一性、実験計画の最適性など）,,,
278,5,解析技術,オペレーションズリサーチ,シミュレーション・データ同化,★★★,MCMC（マルコフ連鎖モンテカルロ法）における各種アルゴリズム（メトロポリス-ヘイスティングス法、ギブスサンプラー、ハミルトニアン・モンテカルロ法など）について理解し、活用できる,,,
279,6,解析技術,オペレーションズリサーチ,最適化,★★,複数のA/Bテスト、スプリットテストの統計的結果を踏まえ、デザイン等の最適化を実施できる,＊,,
280,7,解析技術,オペレーションズリサーチ,最適化,★★,一定の制約下で最適解の識別と報酬の最大化がともに求められ、かつ報酬分布が時間経過で変化するような問題に対して、多腕バンディットアルゴリズムを適用・実装できる,,,
281,8,解析技術,オペレーションズリサーチ,最適化,★★,線形計画法について理解し、その解法(単体法や内点法など)について説明できる,,,
282,9,解析技術,オペレーションズリサーチ,最適化,★★,凸関数および、凸計画問題における双対問題やKKT(Karush-Kuhn-Tucker)条件を説明できる,,,
283,10,解析技術,オペレーションズリサーチ,最適化,★★,連続最適化問題（制約なし）において、使用可能なアルゴリズムを説明できる（ニュートン法、最急降下法など）,,,
284,11,解析技術,オペレーションズリサーチ,最適化,★★,連続最適化問題（制約あり）において、使用可能なアルゴリズムを説明できる（ラグランジュ未定乗数法、内点法、逐次2次計画法など）,,,
285,12,解析技術,オペレーションズリサーチ,最適化,★★,組み合わせ最適化問題において、代表的な解法の概念を説明できる（厳密解法（分枝限定法、動的計画法、切除平面法）、近似解法（局所探索、貪欲法など）、メタヒューリスティック解法（遺伝的アルゴリズム、タブーサーチなど））,,,
286,13,解析技術,オペレーションズリサーチ,最適化,★★★,ビジネス課題にあわせて、変数や制約を洗い出し、単目的・多目的や線形・非線形を問わず、最適化モデリングができる,＊,,
287,14,解析技術,オペレーションズリサーチ,最適化,★★★,代表的な最適化問題に関して、モデリングを行い、ソルバーを使い、最適化できる（ナップザック問題、ネットワークフロー問題、巡回路問題など）,,,
288,1,非構造化データ処理,非構造化データ処理,自然言語処理,★,テキストデータに対する代表的なクリーニング処理（小文字化、数値置換、半角変換、記号除去、ステミングなど）を目的に応じて適切に実施できる,,＊,
289,2,非構造化データ処理,非構造化データ処理,自然言語処理,★,形態素解析や係り受け解析のライブラリを適切に使い、基本的な文書構造解析を行うことができる,,,
290,3,非構造化データ処理,非構造化データ処理,自然言語処理,★,自然言語処理を用いて解けるタスクを理解し、各タスクの入出力を説明できる（GLUEタスクや固有表現抽出、機械翻訳など）,,,
291,4,非構造化データ処理,非構造化データ処理,自然言語処理,★★,Unigram language modelやBPE（Byte Pair Encoding）によるサブワード分割手法を理解しており、適切に実施できる,,,
292,5,非構造化データ処理,非構造化データ処理,自然言語処理,★★,使用メモリの削減やモデルの精度向上のため、名寄せやユーザ定義辞書の作成、ストップワードの除去・置換を実施できる,,,
293,6,非構造化データ処理,非構造化データ処理,自然言語処理,★★,Word2Vec（Skip-gram、CBoW）やTransformerなどを用いて単語・文書を数値ベクトル化し、TF-IDFやcos類似度などの指標で文書間の類似度を計算できる,,,
294,7,非構造化データ処理,非構造化データ処理,自然言語処理,★★,"再帰型ニューラルネットワーク(RNN), 長期短期記憶(LSTM)に加え、GPT（Generative Pre-Trained transformer）、BERT（Bidirectional Encoder Representations from Transformer）などのニューラル言語モデルを理解し、使いこなせる",,,
295,8,非構造化データ処理,非構造化データ処理,自然言語処理,★★★,形態素解析・構文解析・固有表現抽出のアルゴリズムを理解し、使いこなせる,,,
296,9,非構造化データ処理,非構造化データ処理,自然言語処理,★★★,N-gram言語モデルの構築方法と代表的なスムージングアルゴリズムを理解し、使いこなせる,,,
297,10,非構造化データ処理,非構造化データ処理,自然言語処理,★★★,索引型の全文検索の仕組み（転置インデックス、スコアリング、関連性フィードバック、Embedding Index）を理解し、適切に使いこなせる,,＊,
298,11,非構造化データ処理,非構造化データ処理,自然言語処理,★★★,主要なトピックモデル（確率的潜在意味解析[pLSA]、潜在的ディリクレ配分法[LDA]）の仕組みを理解し、使いこなせる,,,
299,12,非構造化データ処理,非構造化データ処理,自然言語処理,★★★,データの特性に合わせ、適切な言語処理アルゴリズムを選択し、誤り分析、辞書作成などを行い、成果を最大化できる,,,
300,13,非構造化データ処理,非構造化データ処理,自然言語処理,★★★,Transformerや隠れマルコフモデル（Hidden Markov Model：HMM）、Conditional Random Fields：CRF）などを用いた系列ラベリング手法を理解し、使いこなせる,,,
301,14,非構造化データ処理,非構造化データ処理,画像認識,★,画像のデジタル表現の仕組みと代表的な画像フォーマットを知っている,,,
302,15,非構造化データ処理,非構造化データ処理,画像認識,★,画像に対して、目的に応じた適切な色変換や簡単なフィルタ処理などを行うことができる,,＊,
303,16,非構造化データ処理,非構造化データ処理,画像認識,★,画像データに対する代表的なクリーニング処理（リサイズ、パディング、正規化など）を目的に応じて適切に実施できる,,＊,
304,17,非構造化データ処理,非構造化データ処理,画像認識,★,画像認識を用いて解けるタスクを理解し、入出力とともに説明できる（識別、物体検出、セグメンテーションなどの基本的タスクや、姿勢推定、自動運転などの応用的タスク）,,,
305,18,非構造化データ処理,非構造化データ処理,画像認識,★★,画像の処理や解析において、効果的なパターン検出や画像特徴抽出などを既存手法から選ぶことができる,,＊,
306,19,非構造化データ処理,非構造化データ処理,画像認識,★★,代表的な画像認識モデルを理解し使いこなせる（ResNet、EfficientNet、Vision Transformer (ViT)、Swin Transformer）,,,
307,20,非構造化データ処理,非構造化データ処理,画像認識,★★,画像と言語の対照学習について理解し、学習済みのモデル（CLIPなど）を用いてゼロショット分類や画像–テキスト検索の仕組みを設計し実装できる,,,
308,21,非構造化データ処理,非構造化データ処理,画像認識,★★,ライブラリ、学習済みモデルなどを用いて識別・物体検出・セマンティックセグメンテーションなどの画像処理を実装・評価できる,,,
309,22,非構造化データ処理,非構造化データ処理,画像認識,★★★,画像・動画処理を行う環境（モバイル上での処理など実行に制約を伴う環境）と処理パフォーマンスを考慮し、適切な手法の選択とモデルの構築ができる,,＊,
310,23,非構造化データ処理,非構造化データ処理,画像認識,★★★,画像を元にした被写体の3次元構造の推定や新視点画像生成など、画像で表現された3次元の物体のデータを扱うことができる。（NeRF、3D Gaussian Splattingなど）,,,
311,24,非構造化データ処理,非構造化データ処理,動画認識,★,動画のデジタル表現の仕組みと代表的な動画フォーマットを理解しており、動画から画像を抽出する既存方法を使うことができる,,,
312,25,非構造化データ処理,非構造化データ処理,動画認識,★★,物体が動いている方向・速度を、適切なオプティカルフローの手法（Horn–Schunck法、RAFT、GMFlowなど）を選択した上で動画から推定し、トラッキングできる,,,
313,26,非構造化データ処理,非構造化データ処理,動画認識,★★,動画認識のモデル（3D-CNN、時空間Transfomerなど）の特徴や学習済みの基盤モデル（VideoMAE、TimeSformer、ViViT など）の活用方法を理解し、映像認識の目的やタスクに応じて選定できる,,,
314,27,非構造化データ処理,非構造化データ処理,動画認識,★★,"動画中の動作・イベント認識において入力情報の設計やセグメンテーション、イベントの検出の処理を適切なモデル（ResNet, C3D, ViT, TimesFormerなど）を選択して実装できる",,,
315,28,非構造化データ処理,非構造化データ処理,動画認識,★★,キーポイントの検出や座標表現、時系列の推定精度の安定性などの基本概念や手法を理解し、2次元または3次元の姿勢推定の仕組みの実装や推定精度の評価を実行できる,,,
316,29,非構造化データ処理,非構造化データ処理,動画認識,★★★,動画の解析手法の現況について理解し、専門家とともに実装を検討できる（Kernel Temporal Segmentation[KTS]による動画の映像区間切り分け、動画内の重要度推定によるハイライト作成など）,,,
317,30,非構造化データ処理,非構造化データ処理,音声認識,★,wavやmp3などの代表的な音声フォーマットの特徴や用途、基本的な変換処理について説明できる（サンプリングレート、符号化、量子化など）,,,
318,31,非構造化データ処理,非構造化データ処理,音声認識,★★,音声データから、分析目的にあった波形データの抽出やノイズの除去ができる,,＊,
319,32,非構造化データ処理,非構造化データ処理,音声認識,★★,音声認識や本人認証、感情分析などの代表的な音声処理分野について理解し、用いられる分析手法を説明できる,,,
320,33,非構造化データ処理,非構造化データ処理,音声認識,★★★,短時間フーリエ分析、メルフィルタバンク処理、ケプストラム分析、LPC（線形予測分析）などの代表的な音声信号分析手法を理解し、使いこなすことができる,,,
321,34,非構造化データ処理,非構造化データ処理,音声認識,★★★,音声認識、音声合成、認証・感情分析などの目的に合わせて、パラメータ調整や手法変更、言語モデル・音響モデルなどを差し替え、モデル構築・精度評価ができる,,,
322,35,非構造化データ処理,非構造化データ処理,音声認識,★★★,大規模音声データの学習済みモデル（Wav2Vec 2.0、HuBERT、Whisperなど）を目的に応じて適切に選択し、少数ラベルデータや高雑音などの実装環境に応じたモデルの調整や評価設計を実施できる,,,
323,36,非構造化データ処理,非構造化データ処理,音声認識,★★★,音声と映像・テキストを統合するマルチモーダルモデル（AVSR、多言語音声基盤、音声LLM等）を設計・実装し、高雑音下や妨害話者・業務固有語彙など複雑な文脈での認識精度の改善を実行できる,,,
324,1,AI活用,生成,大規模言語モデル,★,大規模言語モデル（LLM）でHallucinationが起こる理由を学習に使われているデータの観点から説明できる（学習用データが誤りや歪みを含んでいる場合や、入力された問いに対応する学習用データが存在しない場合など）,,,
325,2,AI活用,生成,大規模言語モデル,★★,大規模言語モデル（LLM）を活用することが、独自に言語処理を開発することに対してメリットがある状況を、訓練データの収集コストや目的の汎用性、訓練に必要なコンピューターリソース（GPUやTPU）などの観点から説明できる,,＊,
326,3,AI活用,生成,大規模言語モデル,★★,目的特化型のモデルと基盤モデルの違いについて汎用性や学習方法（データ量や教師データの有無など）の観点から理解し、目的に合わせて使い分けの判断ができる,,,
327,4,AI活用,生成,大規模言語モデル,★★,大規模言語モデル（LLM）でHallucinationが起こる理由を言語モデルとしての特性（尤度にもとづくワード生成）や学習手法（自己教師あり学習やRLHF等）、汎化（外挿に対する真実味）の観点などから説明できる,,,
328,5,AI活用,生成,大規模言語モデル,★★,基準となる指標や評価のためのデータセットなどの性能評価方針に従い、大規模言語モデル（LLM）の性能を評価できる,,,
329,6,AI活用,生成,大規模言語モデル,★★,"生成文と外部知識（RAG文脈や引用）との整合性を、評価指標（SelfCheckGPT, FactCC, FEVER,  RAGAS）を駆使し、誤情報抑制の仕組みを設計・運用できる",,,
330,7,AI活用,生成,大規模言語モデル,★★,生成AIの有害出力（差別・攻撃・性的・暴力的など）に対し、検知ツール［OpenAI Moderation API、Detoxify、Perspective API］や倫理的制御手法［Constitutional AI、システムプロンプト設計］を使い、評価・運用・監視まで一貫して設計・改善できる,,,
331,8,AI活用,生成,大規模言語モデル,★★,従来指標（BLEU／ROUGE／BERTScore）に加え、LLM-as-a-Judge/Criticを用いて出力の品質を自動で測定・フィードバックすることができる,,,
332,9,AI活用,生成,大規模言語モデル,★★,大規模言語モデルの推論性能の向上に活用される手法（RLHFやRLVRなどによる強化学習を通じた報酬設計の改善や、GPROなどによる推論過程の最適化など）について理解している,,,
333,10,AI活用,生成,大規模言語モデル,★★★,大規模言語モデル（LLM）とそれ以前の自然言語処理技術について、それぞれが得意とするタスクや処理性能、ドメインユースへのカスタマイズ可否などの観点から違いを理解し、自社組織の課題に対して適切な手法の導入を推進できる,,,
334,11,AI活用,生成,大規模言語モデル,★★★,オープンソースの大規模言語モデル（LLM）を活用する上での留意点（入出力データの管理方法や性能面での限界など）と使い方（パラメータ更新可否や代表的なファインチューニング方法など）を理解し導入できる,,,
335,12,AI活用,生成,大規模言語モデル,★★★,大規模言語モデル（LLM）において、利用者にとって好ましいと考えられる出力や安全性が確保された出力を生成できるようにするための学習手法を知っている（Reinfocement Learning from Human Feedback:RLHFやLIMAなど）,,,
336,13,AI活用,生成,大規模言語モデル,★★★,大規模言語モデル（LLM）に対し、効率的なFine Tuning（Parameter-Efficient Fine-Tuning:PEFT）を行うための手法を知っている（Prefix Tuning、Adapter、LoRAなど）,,,
337,14,AI活用,生成,大規模言語モデル,★★★,大規模言語モデル（LLM）の評価について検討すべき事項を理解し、指標や評価のためのデータセットを選定できる - 自然言語処理タスクとしての性能（GLUEやJGLUEなど） - 目的・専門領域での性能（司法や医療分野などの模擬試験） - 敵対的なプロンプトへの対応、レスポンス改善やファインチューニングを含めた開発・運用コスト など,,,
338,15,AI活用,生成,大規模言語モデル,★★★,Context lengthの概念やそれが推論能力に与える影響、RLHFに伴う人間フィードバックの限界とreward hackingのリスクなど、LLMの構造的課題を理解し、適切な学習設計や制御戦略を構築できる,,,
339,16,AI活用,生成,画像生成モデル,★★★,拡散モデルとそれ以前の画像認識・生成モデルについて、それぞれが得意とするタスクや処理性能、ドメインユースへのカスタマイズ可否などの観点から特徴を理解し、自社組織の課題に対して適切な手法の導入を推進できる,,,
340,17,AI活用,生成,画像生成モデル,★★★,拡散モデルやフローベースモデルの理論を理解し、目的に応じた画像生成を行える,,,
341,18,AI活用,生成,画像生成モデル,★★★,生成過程を制御するための補助モデル（LoRA、ControlNet、Inpainting、Style Transferなど）の構造と役割を理解し、活用できる,,,
342,19,AI活用,生成,画像生成モデル,★★★,拡散モデルにおける逐次サンプリングの計算負荷を軽減するために、高速化手法（DDIM、one-step生成など）の原理を理解し目的に応じて適切な高速化設計を実装できる,,,
343,20,AI活用,生成,画像生成モデル,★★★,生成モデルにより出力された画像に対して、品質指標（FID、CLIP Score、Inception Scoreなど）とビジネス観点における合理性（設計図の生成に関する構造的妥当性や生成シーンにおける尤もらしさなど）の双方から評価を行うことができる,＊,,
344,21,AI活用,生成,オーディオ生成モデル,★★★,オーディオ生成モデルが大規模言語モデル（LLM）を利用する場合において、オーディオデータの系列長圧縮や離散化などのエンコーディング技術がどのような役割を果たすか説明できる（Neural Audio Codecによるオーディオデータのエンコーディングがトークナイズの役割を果たすなど）,,,
345,22,AI活用,生成,オーディオ生成モデル,★★★,主要なオーディオ生成モデル（WaveNet、FastSpeech、Diffusion-TTSなど）の理論を理解し、目的に応じた音声を生成できる,,,
346,23,AI活用,生成,オーディオ生成モデル,★★★,生成過程を制御するための補助モジュール（Prosody Encoder、Emotion Conditioning、Voice Conversionなど）の構造と役割を理解し、条件付けにより音声の韻律・感情・話者特性を制御した高精度な音声生成・編集を行える,,,
347,24,AI活用,生成,オーディオ生成モデル,★★★,生成モデルの推論効率を改善するため、並列生成手法（FastSpeech、Non-Autoregressiveモデルなど）のデコーディング戦略や、モデルの量子化、蒸留などの軽量化手法を理解し、低遅延のリアルタイム生成やエッジデバイスへの実装設計を行える,,,
348,25,AI活用,生成,オーディオ生成モデル,★★★,オーディオ生成技術の動向を評価し、ビジネス要件(品質、レイテンシ、コスト)に応じた生成モデルの選定戦略とシステムアーキテクチャを設計できる,,,
349,26,AI活用,生成,オーディオ生成モデル,★★★,オーディオ生成プロジェクト全体の品質評価指標として、客観的品質指標（PESQ、MCDなど）と主観的評価指標（Mean Opinion Score: MOS）の双方を統合できる,,,
350,27,AI活用,生成,動画生成モデル,★★★,動画生成の主要なアプローチ（2D/3D Convolutionベース、Transformerベース、拡散モデルの時空間拡張など）の構造と特性を理解し、目的に応じた適切なモデルを選択・導入できる,,,
351,28,AI活用,生成,動画生成モデル,★★★,動画生成における時系列的な一貫性（Temporal Consistency）の重要性を理解し、その向上に寄与する技術（Attention機構の適用、フレーム間予測の工夫）の原理を説明できる,,,
352,29,AI活用,生成,動画生成モデル,★★★,条件付け、ファインチューニング、各種編集タスクに必要な補助モジュール（ControlNet拡張、LoRA、DreamBooth、インペインティング等）の構造と役割を理解し、時空間的な一貫性を保ちながら、動画生成および編集のプロセスを高精度に制御・カスタマイズできる,,,
353,30,AI活用,生成,動画生成モデル,★★★,生成モデルの推論やデコード処理における計算負荷・生成品質のトレードオフを理解し、サンプリングステップ数・解像度・フレーム長などを最適化して処理速度と品質のバランスをとった生成を行える,,,
354,31,AI活用,生成,動画生成モデル,★★★,生成された動画に対して、画質だけでなく、時間的な滑らかさ（Temporal Smoothness）や動きの自然さを測る品質指標（Fréchet Video Distance：FVD）、ビジネス観点における動作やシーンの妥当性などから評価を行うことができる,,,